蔣守花 舒暉 任宇 陳俊

摘 要：隨著大數據、人工智能和物聯網時代的到來，智能手機、智能手表等移動終端產生數據的增速已遠遠超過了網絡帶寬。同時，智能家居、無人駕駛等新應用對網絡延遲提出了更高要求。邊緣計算因在貼近數據源的網絡邊緣進行數據處理，繞過了網絡帶寬和延遲問題，迅速成為近幾年的研究熱點。首先提出邊緣計算的定義，并對邊緣計算、云計算、霧計算進行對比分析，給出邊緣計算的優(yōu)勢，然后介紹邊緣計算基本架構，列舉了邊緣計算較為經典的兩個平臺：移動邊緣計算平臺MEC和微云Cloudlet，最后對邊緣計算在智能家居、車聯網具體場景中的應用進行了分析。

關鍵詞：邊緣計算;云計算;霧計算;物聯網;微數據中心

DOI：10. 11907/rjdk. 202073

中圖分類號：TP399文獻標識碼：A 文章編號：1672-7800（2020）010-0205-04

Abstract： With the advent of the era of big data， artificial intelligence and the Internet of Things， the growth rate of data generated by mobile terminals such as smart phones and smart watches has far exceeded the growth rate of network bandwidth. At the same time， new applications such as smart homes and driverless cars place higher demands on network latency. Because edge computing performs data processing at the edge of the network close to the data source， it bypasses network bandwidth and latency issues， which has become a research hotspot in recent years. This paper proposes the definition of edge computing， compares and analyzes edge computing， cloud computing， and fog computing， and summarizes the advantages of edge computing. It introduces the basic framework of edge computing and edge computing data processing models. Moreover， it lists two classic edge computing platforms： mobile edge computing （MEC） and Cloudlet. Finally it analyzes the application of edge computing in smart home and car network scenarios.

Key Words：edge computing; cloud computing; fog computing; Internet of Things; micro data center

0 引言

近年來，大數據、云計算、霧計算等新興技術的不斷發(fā)展，為智能技術的發(fā)展帶來了新的契機，同時也對計算模型提出了更高要求。大數據時代下各種終端每天產生的數據量激增，萬物互聯在給人們帶來極大便利的同時，也存在數據地理位置分散等問題，給數據處理和數據安全技術帶來了極大的挑戰(zhàn)。雖然云計算為大數據處理提供了集中、高效的平臺，但網絡帶寬增加的速度遠不及數據增長速度，而提高網絡帶寬又會增加更多硬件成本，同時復雜的網絡環(huán)境會導致數據處理延遲。因此，云計算在發(fā)展過程中有網絡帶寬和網絡延遲兩大瓶頸需要突破。

邊緣計算（Edge Computing）模型在本質上與云計算模型相對，邊緣計算中的邊緣是指互聯網絡邊緣的計算及存儲資源，其更加貼近于人、物或數據源，在網絡邊緣就對數據進行處理，更加高效、快捷。云計算模型可進行集中式數據處理，所有產生的數據通過網絡全部傳輸到云計算數據中心，通過云平臺強大的計算能力對數據進行集中計算與存儲。未來是萬物聯網的時代，思科預計2020年將有500億設備接入互聯網[1]，所有設備產生的數據將超過40澤字節(jié)（ZB）。面對如此大規(guī)模的待處理數據，相比傳統云計算模型，邊緣計算具有明顯優(yōu)勢：

（1）提高數據處理的實時性。云計算可以解決移動設備在存儲、電量等方面的固有缺陷問題，但云計算服務需要應用將數據上傳至云計算數據中心，再請求數據中心進行處理，造成了數據處理的延時，同時復雜的網絡環(huán)境存在鏈接和路由不穩(wěn)定等問題，導致云計算模型中數據上傳的延遲。邊緣計算模型是在移動設備附近進行數據處理，而不需要將數據通過網絡上傳至數據中心，通過近距離服務大大降低了網絡及系統延遲，提高了數據處理的實時性。

（2）極大地緩解網絡帶寬和云數據中心壓力。邊緣計算模型在網絡邊緣進行臨時數據的處理，無須將大量臨時數據通過網絡傳輸至云端，極大地緩解了網絡帶寬和云數據中心的壓力。

（3）增強移動終端隱私數據的安全性。得益于無線網絡的普及，移動終端中各種微應用、微服務產生的隱私數據量激增，因此很多用戶會擔心自己的銀行卡、支付信息等數據安全問題。邊緣計算模型很好地解決了這一問題，其將用戶隱私數據存儲在邊緣設備中，不需上傳至云端，規(guī)避了隱私數據通過網絡上傳至云端過程中存在的數據泄露風險，增強了數據安全性。

邊緣計算由于具備以上優(yōu)勢，且能很好地滿足物聯網發(fā)展需求，近兩年得到了許多國內外研究者的密切關注。ACM和IEEE從2016年開始聯合舉辦邊緣計算的頂級會議SEC，一些重要國際會議也開始舉辦邊緣計算的Workshop，例如2017年的ICDCS、MiddleWare等[2]。

在國內，各大移動通信運營商將邊緣計算模型應用于第五代通信（5G）中，建設了增強移動寬帶、海量機器類通信和超可靠低時延通信[3]三大基礎應用平臺，邊緣計算儼然已成為5G發(fā)展的關鍵技術。

本文總結邊緣計算的概念，介紹邊緣計算和邊緣計算數據處理模型的基本架構，對邊緣計算相關平臺進行對比，最后對邊緣計算的經典應用案例進行了分析。

1 邊緣計算概念

1.1 邊緣計算定義

邊緣計算的定義最早是由美國卡耐基梅隆大學的Satyanarayanan教授[4]提出的，其認為邊緣計算是一種新型計算模式，與傳統集中式云運算不同，邊緣計算將計算與存儲資源部署在更貼近移動設備或傳感器的網絡邊緣。我國學者對邊緣計算的研究大都基于美國韋恩州立大學施巍松教授等[5]對邊緣計算的定義：邊緣計算是一種新的計算模型，邊緣計算的下行數據來自云端，上行數據來自物聯網，邊緣計算的邊緣是指數據源到云端數據中心路徑之間的任意計算及網絡資源。綜上，邊緣計算是一種新的計算模式，其執(zhí)行的計算在靠近人、物或數據源頭的網絡邊緣，數據處理不會受到網絡帶寬、鏈接、路由等問題影響，能更快速、高效地響應服務。

網絡邊緣資源包括個人電腦、手機、平板電腦等用戶終端，路由器、交換機、運營商基站等硬件設施，電視、電梯、門禁系統等嵌入式設備，以及微型數據中心、Cloudlet等小型計算中心，這些設備相互獨立且數量眾多，分布在生活中的各個地方，因此稱之為邊緣節(jié)點。邊緣計算就是將這些分散的邊緣節(jié)點統一起來，為廣大用戶提供服務。

綜上所述，本文將邊緣計算定義為：“邊緣計算是一種新的計算模式，根據地理距離或網絡距離，將與用戶臨近的資源統一起來，為應用提供計算、存儲與網絡服務[6]。”

1.2 邊緣計算、云計算、霧計算三者區(qū)別與聯系

邊緣計算的產生并不是要取代云計算，而是作為云計算的補充，在更貼近數據源的網絡邊緣進行數據處理，增強了服務的響應能力，而且數據無須通過網絡上傳至云端，降低了網絡帶寬、路由器等網絡抖動對數據傳輸的影響。但是邊緣計算不能脫離云計算而獨立存在，它們相輔相成，云計算中心為邊緣計算提供強大的計算能力以及海量存儲支持，而邊緣計算為云計算中心提供大量隱私數據的存儲服務。

霧計算[7]（Fog Computing）是由思科提出的與邊緣計算類似的計算模型，其也是將應用程序產生的數據保存在網絡邊緣設備中，無須上傳、保存在云端。但霧計算與邊緣計算之間又存在本質上的區(qū)別，邊緣計算更強調服務與用戶之間的距離，而霧計算更注重將數據源與云計算數據中心統一起來，為用戶提供計算、存儲等數據處理服務，因此核心網絡和邊緣設備都是霧計算的基礎設施，彼此不可分離。目前，思科利用推出的部署在核心交換機和路由器等設備上的IOX系統對霧計算進行實現[8]，以便于技術人員更好地利用其進行技術開發(fā)與程序應用。

雖然霧計算和邊緣計算是兩種不同的計算模型，但其都是云計算的補充。為了更好地適應物聯網發(fā)展，并能更好地為用戶提供穩(wěn)定、安全的數據處理服務，它們與云計算相輔相成、缺一不可。

2 邊緣計算基本架構

邊緣計算基本架構包括邊緣設備與邊緣網絡設施，邊緣設備請求的服務不需要通過網絡上傳至云計算中心進行集中處理，而是在貼近邊緣設備的邊緣網絡設施進行處理，從而增強了數據處理的實時性、穩(wěn)定性和高效性，如圖1所示。

云計算經過近幾年的快速發(fā)展，已逐漸被人們所熟知，基于云計算的數據處理架構也日趨成熟。但是集中式的云計算數據處理模式已不能滿足爆炸式增長的邊緣數據處理請求，為了更好地適應目前用戶對數據處理實時性、高效性、穩(wěn)定性的需求，研究者們先后提出了微數據中心（Micro Data Center）、Cloudlet、霧計算、移動邊緣計算（Mobile Edge Computing）等邊緣數據處理模型[9]。

3 典型邊緣計算平臺

邊緣計算利用數據到云計算中心數據傳輸路徑上的邊緣網絡資源，這些資源數量眾多且相互獨立，邊緣計算平臺將這些資源統一起來，為用戶提供實時、高效、穩(wěn)定的服務。目前關于邊緣計算平臺的研究很多，下面介紹其中較為突出的移動邊緣計算和Cloudlet，其中從Cloudlet還演化出了開放邊緣計算聯盟[10]。

3.1 移動邊緣計算MEC

2014年，電信協會提出移動邊緣計算（Mobile Edge Computing）的概念[11]，以下簡稱MEC，其在移動設備網絡邊緣進行數據的計算、存儲與保存，減少了云計算中心集中處理請求的延時，也降低了網絡帶寬和云計算數據中心的壓力。MEC節(jié)點大部分位于大型基站或無線網絡控制器處，與用戶處于同一個無線局域網中，這種貼近于用戶的數據處理方式，使得響應服務更加高效、快捷。移動邊緣計算平臺架構主要采用“網絡層—ME主機層—ME系統層”3層架構模型。ME系統層是MEC 最重要的一層，由運營商網絡內的ME 主機以及管理ME 應用必需的ME組件構成，負責管控MEC 的任務分配和系統運行。ME主機層由虛擬化基礎設施、ME應用、ME平臺和ME主機層管理設施組成。網絡層代表移動邊緣計算支持的連接方式，由蜂窩移動網絡、本地網絡、無線WiFi和外部網絡組成，如圖2所示。

3.2 Cloudlet

Cloudlet的概念是在2009年由卡耐基梅隆大學首次提出的，其部署在網絡邊緣，并與互聯網連接，能實時為直接連接局域網的用戶提供服務。由于Cloudlet可以像云計算中心一樣為用戶提供服務，所以也被稱為微云。雖然Cloudlet不是以邊緣計算的名義提出的，但其在架構和設計理念上與邊緣計算相契合，所以可用來搭建邊緣計算平臺。

與云計算的計算模型相似，Cloudlet將用戶數據直接保存在云端，當移動設備向云端請求服務時集中對數據進行處理，并通過高帶寬的一跳路由[12]返回用戶請求，盡可能降低網絡延時。Cloudlet平臺架構主要包括三層，如圖3所示。第一層由虛擬機組成，運行用戶卸載至邊緣節(jié)點的應用程序，通過虛擬機彌補與用戶可執(zhí)行環(huán)境的差異;第二層由Cloudlet 邊緣計算平臺組成，實現主機資源虛擬化并編排管理應用虛擬機;第三層由用戶數據緩存器組成，主要用于接收用戶云端數據。

Cloudlet的主要優(yōu)勢有：對開發(fā)者沒有任何約束，現有程序基本不需要修改即能在Cloudlet中運行;由于在移動設備網絡邊緣提供服務，最大限度地降低了網絡時延。隨著研究的不斷深入，Cloudlet還可應用于認知輔助系統[13]、敵對環(huán)境中等[14]。

4 邊緣計算應用實例

邊緣計算主要在人、物和數據源附近提供數據處理服務，使得該計算模式在移動應用和物聯網領域得到了廣泛運用。本節(jié)介紹兩種邊緣計算應用案例，以展示邊緣計算的具體應用場景。

4.1 智能家居

隨著科技的不斷進步，智能家居例如智能電視、智能監(jiān)控、智能音箱、智能機器人等已進入越來越多的普通家庭，如果利用傳統云計算模型將智能設備請求發(fā)送到云端，云數據中心對請求進行集中處理，再返回結果到設備，傳輸過程中將難以避免出現網絡時延問題，隱私數據也可能存在泄漏風險。因此，采用邊緣計算模型的智能家居系統非常適合這種場景，邊緣計算數據在數據源端進行處理，只要將邊緣操作系統（Edge Operation System，EdgeOS）部署在家庭內部網關設備上，無論人們在房間、客廳或浴室，都可以快速得到數據處理結果反饋，從而縮短了服務響應時間，增強了智能家居設備的穩(wěn)定性，并保障了家庭隱私數據的安全。同時降低了對網絡帶寬的要求，普通家庭只需百兆網絡帶寬即可滿足日常使用。

4.2 車聯網

車聯網顧名思義就是將汽車聯入互聯網中，可將汽車的油耗、里程、轉速和故障等信息通過網絡上傳至云計算數據中心進行分析，車輛之間可以分享道路狀況、天氣、乘車人等信息，駕駛人員也可根據這些信息決定自己的路線。

韋恩州立大學在GENI Racks上構建了一個邊緣計算平臺[15]，并在上面部署了實時3D校園地圖、車輛狀態(tài)檢測、車聯網仿真3個應用。3D校園地圖根據校園內監(jiān)控拍攝的畫面和車輛行駛路線等信息，對畫面進行相應處理，繪制成實時3D校園地圖供乘客使用;車輛狀態(tài)檢測系統根據汽車反饋的油耗、里程、轉速等信息，對發(fā)生故障的概率進行分析，若檢測到車輛發(fā)生故障概率較大，則反饋給平臺進行登記，盡快安排技術人員對車輛進行檢修;車聯網仿真將聯網車輛各項數據進行匯總，以便今后研究人員利用這些交通信息進行車聯網仿真實驗。

根據上述分析，車聯網在邊緣計算模型中較易實現，因為在仿真平臺中，如果利用云計算模型將數據通過網絡上傳至云端，再由數據中心對數據進行集中處理并返回處理結果，將降低服務的實時性，而邊緣計算模型在數據源附近進行數據處理，減少了不必要的網絡傳輸，提高了應用的響應速度。

5 結語

在大數據和人工智能時代下，傳統云計算模型因具有數據處理實時性不強、對網絡帶寬和數據中心壓力過大，以及隱私數據存儲存在安全隱患等缺陷，已不能滿足現今社會移動應用和物聯網高速發(fā)展的要求。為解決這些問題，邊緣計算模型應運而生，本文對邊緣計算、云計算、霧計算進行對比分析，并介紹了邊緣計算相關應用實例。雖然邊緣計算模型優(yōu)勢明顯，但其不能脫離云計算、霧計算等計算模型單獨存在。近年來邊緣計算在生活很多領域的應用得到了快速發(fā)展，希望今后能夠有更多研究人員關注邊緣計算，讓計算模型能更加完善，應用更加廣泛。

參考文獻：

[1] EVANS D. The Internet of Things how the next evolution ofthe Internet is changingeverything[EB/OL]. https：//www.cisco.com/c/dam/en_us/about/ac79/docs/innov/IoT_IBSG_041IFINAI.pdf.

[2] 趙梓銘，劉芳，蔡志平，等. 邊緣計算：平臺、應用與挑戰(zhàn)[J]. 計算機研究與發(fā)展，2018，55（2）：327-337.

[3] 呂華章，陳丹，范斌，等. 邊緣計算標準化進展與案例分析[J]. 計算機研究與發(fā)展，2018，55（3）：487-511.

[4] SATYANARAYANAN M. The emergence of edge computing[J]. Computer，2017，50（1）：30-39.

[5] SHI W，SUN H，CAO J，et al. Edge computing——an emerging computing model for the Internet of everything era[J]. Journal of Computer Research and Development，2017，54（5）：907-924.

[6] CHINA UNICOM. Chinaunicom communication cloud architecture white paper[EB/OL]. http：//www.chinaunicom.com.cn/.

[7] AO W C，PSOUNIS K. Fast content deliveryvia distributed caching and small cellcooperation[J]. IEEE Transactions on MobileComputing，2018，17（5）：1048-1061.

[8] E J L，CUI Y，WANG P，et al. CoCloud：enabling efficient cross—cloud file collaboration based on inefficient webAPIs[C]. IEEE Conference on ComputerCommunications（INFOCOM），2017：56-59.

[9] Open Edge Computing Initiative. Open edge computing[EB/OL]. http：//openedgecomputing.org/.

[10] FILIPPINI I， SCIANCALEPORE V， DEVOTIF， et al. Fast cell discovery in mm-wave 5Gnetworks with context information[J]. IEEE Transactions on Mobile Computing，2018，17（7）：1538-1552.

[11] 林博，張惠民. 基于邊緣計算平臺的分析與研究[J]. 電腦與信息技術，2019，27（4）：21-47.

[12] WANG S，ZHANG X，ZHANG Y， et al. A survey on mobileedge networks：convergence of computing，caching and communications[J]. IEEE Access，2017（5）：6757-6779.

[13] HASEEB M， AHSAN A， MALIK A W. Cloud to cloudlet—anintelligent recommendation system for efficient resources management： mobile cache[C]. International Conference on Frontiersof Information Technology， 2017：40-45.

[14] CISCO. 思科移動產業(yè)VNI預測報告[EB/OL]. https：//www.cisco.com/c/zh_cn/about/press/china/2016.html.

[15] ESCAMILLA-AMBROSIO P J，RODR?GUEZ-MOTA A，AGUIRRE-ANAYA E，et al. Distributing computing in the internet of things： cloud， fog and edge computing overview[C]. The Numerical and Evolutionary Optimization Workshop，2016：87-115.

（責任編輯：黃 健）